Tag · 12 篇
全切片图像
从通用到特定：动态知识引导的多实例学习用于少样本全切片图像分类
Universal-to-Specific: Dynamic Knowledge-Guided Multiple Instance Learning for Few-Shot Whole Slide Image Classification
将通用病理视觉语言知识动态实例化为切片特异性的图像块级特征，为少样本全切片图像分类提供可复用的知识检索与对齐机制。
URICA：面向病理图像任意区域检索的均匀性区域仿射标识符捕获算法
URICA: A Uniformity Region Affine Identifier Capture Algorithm for Arbitrary Region Retrieval in Pathology Images
把「任意朝向、任意尺度的区域」当作检索单元，用语义镶嵌（semantic tessellation）把图像块组织成几何感知的区域描述子，并给出其与像素级语义掩码目标之间的理论误差界——这套「区域描述子 + 仿射不变匹配」的思路可直接迁移到遥感、医学等大图上的任意区域检索与跨尺度匹配任务。
将预训练视觉 Transformer 转变为端到端病理全切片图像模型以用于生存预测
Turning Pre-Trained Vision Transformers into End-to-End Histopathology Whole Slide Image Models for Survival Prediction
把预训练 ViT 直接改造成端到端全切片图像模型，省去两阶段流程中的离线特征提取与 MIL 聚合，且不增加参数；对做病理或超大分辨率图像分析的人，这是一种可复用的「免额外参数、直接吃整张组织区域」的改造思路。
TopoSlide：拓扑信息引导的组织病理全切片图像表征学习
TopoSlide: Topologically-Informed Histopathology Whole Slide Image Representation Learning
把持续同调这类拓扑描述子当作图像块聚类空间排布的监督信号，用条件多任务目标训练ViT，为视觉表征学习提供了一种可复用的全局结构归纳偏置，也可用于检索时的拓扑条件控制。
基于超网络的稀疏任务向量混合用于全切片图像预后中的高效知识迁移
Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis
提出基于任务向量混合与超网络稀疏聚合的模型合并方案，可高效地将多个源域模型的知识迁移到目标域模型，无需联合训练或多模型推理，为医学影像中的跨癌种知识迁移提供了可复用的技术路径。
SAR2Net：学习空间锚定表征用于检索引导的跨染色对齐
SAR2Net: Learning Spatially Anchored Representations for Retrieval-Guided Cross-Stain Alignment
把跨模态配准从显式变换估计改写成区域级特征检索，用相对组织标志点的空间锚定特征做形变不变描述子，这一思路可迁移到多模态/多时相图像匹配与检索式配准任务。
通过高阶多细胞交互建模从组织学图像预测空间转录组
Predicting Spatial Transcriptomics from Histology Images via High-Order Multi-Cell Interaction Modeling
把多体注意力（many-body attention）与分层耦合引入全切片图像的多细胞建模，为病理图像中建模高阶、多对多的细胞间依赖提供了可复用的注意力设计，可迁移到其他需要超长程、多实体交互的密集预测任务。
MDCS-MoAME：面向癌症生存预测的多方向复合扫描与注意力及 Mamba 混合专家
MDCS-MoAME: Multi-directional Composite Scanning with Mixture of Attention and Mamba Experts for Cancer Survival Prediction
把 Mamba 的多方向复合扫描策略用在千兆像素全切片图像上，为处理超长序列的病理图像提供了一种可复用的序列化与建模思路；注意力与 Mamba 混合专家动态路由也可迁移到其他多模态视觉任务。
H2-Surv：面向生存预测的层级双曲多模态表征学习
H2-Surv: Hierarchical Hyperbolic Multimodal Representation Learning for Survival Prediction
把全切片图像的多级结构（patch→WSI→患者）与基因组层级一起嵌入共享双曲空间，并用序数对比损失保持风险分数的连续性；做病理图像层级建模或需要保留样本间细粒度序关系时，这套双曲层级编码加序数对比目标可直接迁移。
FBTA：通过特征桥接与翻译对齐实现单GPU端到端千兆像素WSI分类
FBTA: Enabling Single-GPU End-to-End Gigapixel WSI Classification with Feature Bridging and Translation Alignment
提出一种在单张24GB GPU上端到端训练WSI分类的MIL框架，通过特征桥接和翻译对齐解决冻结特征提取器带来的语义鸿沟，可复用于其他需要端到端训练的大图像分类任务。
CARE：面向全切片图像分析的分子引导自适应区域建模基础模型
CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis
把 WSI 从固定 patch 网格改为由分子信号引导的自适应不规则区域建模，并用区域级特征聚合出切片级表示；做病理或大尺寸图像分析时，这种「自适应区域 + 跨模态对齐」的预训练范式可直接迁移到其他超高分辨率图像任务。
像病理学家一样思考：组织感知的全切片图像推理
Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning
把「问题引导的由粗到细检索」用于超大幅图像（全切片）的视觉语言推理：先用分组采样器定位与问题相关的组织区域，再用图像块选择器挑出信息量最大的图像块，从而把视觉词元减少约 70%。这套「先粗筛区域、再细选图像块」的检索式词元压缩思路，可直接迁移到高分辨率图像或视频的 VLM 推理中，用来降低词元开销并提升可解释性。